基于小波神经网络的电力电子电路故障模式识别

提出了基于两种不同小波神经网络的电力电子电路故障模式识别方法。针对电力电子电路故障,构造了激活函数型和权值型两种不同的三层小波神经网络,给出了相应的数学模型和学习算法。以三相整流桥电路为例,建立了小波神经网络的输出与故障元之间的对应关系,实现了电路故障的模式识别,并与用普通BP网络识别的结果进行了比较。仿真结果验证了两种故障识别方法的正确性和较好的准确性。     

基于小波神经网络的电力电子电路故障模式识别

提出了基于两种不同小波神经网络的电力电子电路故障模式识别方法.针对电力电子电路故障,构造了激活函数型和权值型两种不同的三层小波神经网络,给出了相应的数学模型和学习算法.以三相整流桥电路为例,建立了小波神经网络的输出与故障元之间的对应关系,实现了电路故障的模式识别,并与用普通BP网络识别的结果进行了比较.仿真结果验证了两种故障识别方法的正确性和较好的准确性.     

一种基于小波神经网络的模拟电路故障诊断方法

本文针对模拟电路提出了1种新的基于紧致型小波神经网络的故障诊断方法。该方法首先利用小波变换和主成分分析对故障信号进行预处理,然后用处理后的故障特征数据对小波神经网络进行训练和测试。仿真实验表明,该方法比普通神经网络方法训练速度更快,诊断准确率更高。     

基于小波神经网络的负载类型识别

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的负载模式识别的方法。其中小波函数代替非时变一般神经元隐层函数,用于提高网络对系统输入输出之间复杂关系的映射能力,相对于传统的模式识别方法,用小波变换对采集信号进行预处理,大大减少了神经网络的输入数目,从而简化了神经网络的结构和减少了它的训练时间。对实例电路识别结果表明,该方法能正确识别各种负载类型,准确率高。     

利用小波神经网络的电力变压器故障诊断方法

为提高变压器传统油中溶解气体分析(DGA)的故障诊断能力,提出了一种利用小波神经网络(WNN)的变压器故障诊断方法。WNN隐含层采用离散仿射小波函数,仿照前馈BP神经网络算法构造WNN,引入学习率和动量系数来训练网络。实验结果表明:相同条件下,较之传统比值法与BP神经网络,WNN的故障模式识别准确率更高,对照BP神经网络,所提出的WNN变压器故障诊断方法在稳定性和收敛时间方面表现更优。     

基于小波包变换预处理的模拟电路故障诊断方法

阐述了利用神经网络进行模拟电路故障诊断的方法 ,并在此基础上提出了一种新的改进方法———基于小波包变换预处理的神经网络故障字典法。这两种方法对于模拟电路故障诊断都是有效的。但是 ,由于基于小波包变换预处理的神经网络故障字典法利用小波包对电路的输出样本进行了预处理 ,所以它比直接采用神经网络故障字典法进行故障诊断所用的神经网络规模小 ,收敛速度快。     

基于脊波网络的模拟电路故障诊断

将脊波与神经网络进行有机的结合,构造了一种新型的用于模拟电路故障诊断的脊波网络系统,并给出了基于最速梯度下降法与动量法相结合的训练算法和电路故障诊断的方法及步骤。由于脊波能有效地处理高维函数直线状和超平面状的奇异性,因此将脊波作为神经网络隐层的激活函数从而构成的脊波网络能有效地处理复杂的电路故障信息从而对故障做出正确的分类。实验结果证实了这种新型方法的有效性。     

改进小波网络在油浸式变压器故障诊断中的应用

小波网络是近年来神经网络研究中的一个新分支,是结合小波变换理论与神经网络的思想构造的一种新的神经网络模型.笔者构造的前馈小波神经网络是将小波分析与BP神经网络融合,以Gauss小波及其伸缩平移系作为隐含层小波基函数并且对小波神经网络做了一些改进.选择了300组油中溶解气体含量作为前馈小波神经网络训练及故障识别的样本,并...     

小波变换、神经网络和小波网络的函数逼近能力分析与比较

基于对小波变换和神经网络之间内在联系的分析，利用神经网络不同激励函数的线性组合构造出了相应的小波函数，得出小波函数作为神经网络的激励函数与普通神经网络的激励函数在本质上是一致的结论，并引入了小波网络。通过对小波变换，神经网络和小波网络函数逼近能力的理论分析与比较，认为小波网络在函数逼近方面具有明显的优势，并且分别利用这3种方式对一典型函数进行了仿真逼近的验证。     

基于小波神经网络的火电单元机组负荷系统建模仿真研究

火电单元机组是一种复杂的多变量对象，常规方法难以建立它的非线性数学模型。该文利用一种多输入多输出的连续小波神经网络对单元机组负荷数学模型建模问题进行了研究。网络隐层采用框架小波函数，输出层采用线性函数，采用BP算法对网络进行训练，并利用自适应的学习速率和动量参数加快网络训练的收敛速度。网络的训练结果和测试结果均表明，小波网络输出值与实际模型输出值之间的误差在允许范围内，小波神经网络可以较好地逼近单元机组负荷数学模型。     

基于小波神经网络的模拟电路故障诊断改进

在运用神经网络进行模拟电路故障诊断的过程中,代表着故障特征的网络输入至关重要,由于小波变换的时频局部化和多尺度分析等特性,将两者结合起来,通过小波变换对模拟电路的输出响应进行故障特征提取,同时解决PSPICE与MATLAB之间的数据通信问题,提出将蒙特卡罗分析产生的所有训练样本经过处理后输入到一个神经网络进行训练的方法,从而避免了训练多个神经网络。利用神经网络对各种故障模式进行分类,实现模拟电路的故障诊断,并进一步与传统的BP网络故障诊断法进行比较。仿真结果表明,该方法可以实现故障检测及定位,诊断的准确率显著提高,适用于模拟电路故障诊断。     

基于改进粒子群算法的小波神经网络在变压器 故障诊断中的应用

针对变压器故障征兆和故障类型的非线性特性,结合油中气体分析法,设计了一种改进粒子群算法的小波神经网络故障诊断模型。模型采用3层小波神经网络,并用一种改进粒子群算法对其进行训练。该算法在标准粒子群算法的基础上,通过引入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值,加快了小波神经网络训练速度,提高了其训练的精度。仿真实验证明这种改进粒子群算法的小波神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断提供了一条新途径。     

基于神经网络的数字电路多故障测试生成算法

针对数字电路中多故障测试生成效率较低的问题,提出了基于神经网络的数字电路多故障测试生成算法。依据故障转换方法把数字电路多故障测试生成问题转换成为单故障测试生成问题,采用神经网络的方法对单故障电路构造故障的约束网络,通过使用遗传算法求解故障约束网络能量函数的最小值点获得故障的测试矢量。在ISCAS’85国际标准电路上的实验结果表明,故障平均测试生成时间在0．017s以下,故障覆盖率在96％以上。与其他算法相比,测试生成效率明显提高。     

电力电子主电路故障诊断方法研究

提出了采用小波分析和神经网络诊断电力电子装置故障诊断的方法,分析了三相桥式可控整流电路的故障波形特点,将利用小波变换模极大值和多尺度分析理论提取的故障特征输入神经网络诊断故障。归纳了故障诊断需知的3个条件以实现控制角的检测、故障的分类和定位。仿真表明该方法有效。     

应用RBF网络和D-S证据推理的模拟电路诊断

提出了一种基于径向基函数网络与证据推理的模拟电路融合诊断方法,以解决模拟电路诊断中由于故障信息缺乏所致的诊断准确性问题,并提高其训练速度。采集多类电路信息,对应于每类特征参量构造一个径向基函数网络,由这多个彼此独立的径向基函数网络来完成故障的初级诊断。再用初级诊断中各子网络的输出结果构造证据体,通过证据融合推理分析,得出最终的故障定位结果。模拟实验结果表明,所提方法对于电路的硬故障与元件参数偏移较小的软故障诊断均有效,其充分挖掘了多类测试信号中的故障信息,提高了诊断结果的准确率。     

基于小波神经网络的水电机组振动故障诊断研究

提出应用频谱法和小波神经网络对水电机组的振动故障进行诊断。在对水电机组振动信号进行频谱分析后,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使构造的小波神经网络能够反映频谱特征向量和故障类型之间的映射关系,从而达到故障诊断的目的。诊断结果表明,与常规神经网络诊断方法相比,频谱分析与这种小波神经网络相结合的方法进行故障诊断简单有效、并具有诊断速度快和泛化能力强等优点。     

时间序列小波神经网络在故障测距中的应用

在小电流接地系统单相接地故障特征分析的基础上,提出了一种基于故障后暂态电气量由时间序列小波神经网络原理来实现的直配线路单相接地故障测距方法。给出了广义的小波神经网络概念,提出了适合暂态时间序列分析的小波神经网络模型并应用于小电流接地系统直配线故障测距。理论及大量的EMTP仿真结果表明此方法是可行的,且具有较好的故障测距性能。     

基于小波神经网络和故障录波数据的电网故障类型识别

电力系统发生大面积复杂故障后,调度人员仅仅依靠来自数据采集与监视控制(supervisory control and data acquisition,SCADA)系统的保护和开关接点的变位信息难以做出准确的判断,来自故障录波装置记录的模拟量信息越来越成为故障诊断和系统恢复的重要依据。为了进一步提高超高压输电线路故障类型识别率和计算速度,文中利用提升小波和PNN网络构造了新的小波神经网络故障识别模型,应用bior3．1提升小波对故障电流进行分解,将分解到的 (0,375)Hz频率段的小波系数输入到PNN神经网络。通过 ATP仿真及华东电网实际故障录波数据的测试和比较结果表明:该模型具有很高的识别率和收敛速度,并有望将该模型应用到电网故障诊断系统。